POJ 2449 Dijstra + A* K短路

本文介绍如何使用A*算法高效求解第K条最短路径问题。首先通过Dijkstra算法预计算出各节点到目标节点的最短距离作为启发函数h(x),然后利用优先队列加速搜索过程,确保每次扩展的是当前最佳节点。

这题一开始的思路应该是直接从源点进行BFS搜索K短路。

但这样的复杂度在点数和K的值增大后将会变得很大。

而A*算法则构造一个h(x),在进行BFS时,每次都抛出最小的h(x)从而使汇点的出队速度加快。

这题则是先进行一次Dijstra求出每个点到汇点的最短路h(x)从而在优先队列中抛出最小的f(x)

A*算法就是启发式搜索,基本形式就是这样:f(x)=g(x)+h(x);其中f(x)代表在x点所需要的总代价,而g(x)代表:从源点到x点已经耗费的实际代价,h(x)代表从x到终点需要的估计代价,这个函数是一个估计值.而从x到终点真正需要的代价为h*(x),在整个启发式搜索中我们必须保证h(x)<=h*(x);不然的话会由于对当前的估价值过高,则会引起答案的错误。构建A*的关键在于准确的规划一个h(x)函数,使得接近h*(x),这样的搜索会使得答案又快又准。可以想象h(x)过小会使得解空间过大,这样搜索出来的结果会很准确但是速度太慢,而对h(x)的过高估计,即估计代价太大会使得结果不准确。

代码:

#include<iostream>
#include<cstdio>
#include<queue>
#define MAXN 1005
#define MAXM 200100
using namespace std;

struct Node{
       int v,c,nxt;
}Edge[MAXM];

int head[MAXN];
int tail[MAXN];
int h[MAXN];

struct Statement
{
       int v,d,h;
       bool operator <( Statement a )const
       {    return a.d+a.h<d+h;   }
};

void addEdge( int u,int v,int c,int e )
{
     Edge[e<<1].v=v;
     Edge[e<<1].c=c;
     Edge[e<<1].nxt=head[u];
     head[u]=e<<1;
     
     Edge[e<<1|1].v=u;
     Edge[e<<1|1].c=c;
     Edge[e<<1|1].nxt=tail[v];
     tail[v]=e<<1|1;
     return ;
}

void Dijstra( int n,int s,int t )
{
     bool vis[MAXN];
     memset( vis,0,sizeof(vis) );
     memset( h,0x7F,sizeof(h) );
     h[t]=0;
     for( int i=1;i<=n;i++ )
     {
          int min=0x7FFF;
          int k=-1;
          for( int j=1;j<=n;j++ )
          {
               if( vis[j]==false && min>h[j] )
                   min=h[j],k=j;
          }
          if( k==-1 )break;
          vis[k]=true;
          for( int temp=tail[k];temp!=-1;temp=Edge[temp].nxt )
          {
               int v=Edge[temp].v;
               if( h[v]>h[k]+Edge[temp].c )
                   h[v]=h[k]+Edge[temp].c;
          }
     }
}

int Astar_Kth( int n,int s,int t,int K )
{
    Statement cur,nxt;
    //priority_queue<Q>q;
    priority_queue<Statement>FstQ;
    
    int cnt[MAXN];
    memset( cnt,0,sizeof(cnt) );
    cur.v=s;
    cur.d=0;
    cur.h=h[s];
    
    FstQ.push(cur);
    
    while( !FstQ.empty() )
    {
           cur=FstQ.top();
           FstQ.pop();
           
           cnt[cur.v]++;
           if( cnt[cur.v]>K ) continue;
           if( cnt[t]==K )return cur.d;
           
           for( int temp=head[cur.v];temp!=-1;temp=Edge[temp].nxt )
           {
                int v=Edge[temp].v;
                nxt.d=cur.d+Edge[temp].c;
                nxt.v=v;
                nxt.h=h[v];
                FstQ.push(nxt);
           }
    }
    return -1;
}

int main()
{
    int n,m;
    while( scanf( "%d %d",&n,&m )!=EOF )
    {
           int u,v,c;
           memset( head,0xFF,sizeof(head) );
           memset( tail,0xFF,sizeof(tail) );
           
           for( int i=0;i<m;i++ )
           {
                scanf( "%d %d %d",&u,&v,&c );
                addEdge( u,v,c,i );
           }
           int s,t,k;
           scanf( "%d %d %d",&s,&t,&k );
           if( s==t ) k++;
           Dijstra( n,s,t );
           printf( "%d\n",Astar_Kth( n,s,t,k ) );
    }
    return 0;
}


 

内容概要:本文介绍了一个针对电力系统连锁故障传播路径的N-k多阶段双层优化及故障场景筛选模型,该模型基于混合整数线性规划(MILP)方法构建,旨在全面评估电力系统在遭受多重故障时的脆弱性与恢复能力。通过引入故障传播路径的概念,模型能够动态模拟故障在电网中的逐级扩散过程,并结合多阶段优化策略,实现对关键故障场景的有效识别与优先排序。整个框架不仅考虑了初始故障元件的选取,还涵盖了后续因潮流转移引发的级联跳闸行为,从而提升了风险评估的准确性与时效性。该研究已在Matlab平台上完成代码实现,具备良好的可复现性和工程应用价值,适用于提升现代电网的安全防御水平。; 适合人群:电力系统、能源安全及相关领域的科研人员、高校研究生以及从事电网规划与运行管理的工程技术人员。; 使用场景及目标:①用于电力系统安全评估中识别最危险的N-k故障组合;②支撑电网应急预案制定与薄弱环节改造;③作为学术研究中关于级联故障建模与优化求解的教学与验证工具;④服务于智能电网背景下抵御蓄意攻击或极端事件的风险防控决策。; 阅读建议:建议读者结合Matlab代码深入理解模型的数学 formulation 与求解流程,重点关注目标函数设计、约束条件构建及双层优化结构的实现逻辑,同时可通过调整系统参数和故障设定进行仿真对比分析,以掌握不同因素对连锁故障演化的影响规律。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值